هوش مصنوعی
پرامپت‌دهی مبتنی بر مفهوم تنوع دستورهای تولیدشده با مدل زبانی را افزایش داد
در آزمایشی با ۱۰۰۰ دستور غذا، این روش به پوشش معنایی ۴۷ درصد رسید؛ نتیجه‌ای که پژوهشگران می‌گویند فعلاً به همین وظیفهٔ مشخص محدود است.
پژوهشگران در پیش‌چاپی در arXiv روشی برای افزایش تنوع خروجی مدل‌های زبانی پیشنهاد کرده‌اند: مدل پیش از تولید پاسخ، چند مفهوم موضوعی می‌سازد و سپس در چارچوب هر مفهوم پاسخ می‌دهد. هدف، کاهش تکرار در خروجی‌هایی است که برای تولید راه‌حل‌های تازه به کار می‌روند.
برای ارزیابی روش، پژوهشگران ۱۰۰۰ دستور غذا برای تهیهٔ یک کتاب آشپزی تولید کردند و آن‌ها را با پیکره‌ای نوشته‌شده به‌دست انسان مقایسه کردند. روش مبتنی بر مفهوم در همهٔ مقایسه‌ها از دو راهبرد سادهٔ پرامپت‌دهی بهتر عمل کرد. پوشش معنایی آن ۴۷ درصد بود؛ در برابر ۳۵٫۱ درصد برای راهبرد استفاده از عنوان قبلی و ۱۳٫۱ درصد برای راهبرد پرامپت ساختگی.
نویسندگان می‌گویند نتایج از کاوش گسترده‌تر در مجموعهٔ خروجی‌ها و افزایش تنوع حکایت دارد، اما تأکید می‌کنند که یافته‌ها به همین وظیفهٔ تولید دستور غذا محدود است و بررسی‌های بیشتری لازم است.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده